Netværksindlejring — Node2Vec, DeepWalk, LINE

Netværksindlejring er en familie af metoder til repræsentationslæring, der afbilder hver knude i en graf til en tæt, lavdimensionel vektor, samtidig med at netværkets strukturelle egenskaber bevares. Tilgangen blev formaliseret for data fra sociale netværk af Perozzi, Al-Rfou og Skiena med DeepWalk (2014), som tilpassede Word2Vec skip-gram-modellen til tilfældige vandringer på grafer, og blev udvidet af Grover og Leskovec med Node2Vec (2016), som introducerede en partisk tilfældig vandring, der balancerer bredde-først og dybde-først udforskning. Disse indlejringer omdanner relationelle data til funktionsvektorer, som standard maskinlæringsklassifikatorer og klyngealgoritmer kan forbruge direkte.